Модифицированная q-нарная модель Поттса с бинаризованными синаптическими коэффициентами

dc.contributor.authorКрыжановский, Б.В.
dc.contributor.authorКрыжановский, В.М.
dc.date.accessioned2010-03-24T18:12:54Z
dc.date.available2010-03-24T18:12:54Z
dc.date.issued2008
dc.description.abstractПрактическое применение q-нарных моделей Поттса осложняется высокими требованиями к оперативной памяти (необходимо 32N^2q^2 бит, где N – число нейронов, q – число состояний нейрона). В работе исследуется модифицированная модель Поттса с бинаризованными синаптическими коэффициентами. Процедура бинаризации позволяет в 32 раза уменьшить размер требуемой оперативной памяти (N^2q^2 бит) и более чем в q раз ускорить алгоритм. Ожидалось, что бинаризация приведет к ухудшению распознающих характеристик. Однако анализ показал неожиданные результаты: процедура бинаризации приводит к увеличению объема нейросетевой памяти в 2 раза. Полученные результаты согласуются с проведенными экспериментами.uk_UA
dc.description.abstractПрактичне застосування q-нарних моделей Поттса ускладнюється високими вимогами до оперативної пам’яті (необхідно 32N^2q^2 біт, де N – число нейронів, q – число станів нейрона). У роботі досліджується модифікована модель Поттса з бінаризованими синаптичними коефіцієнтами. Процедура бінаризації дозволяє в 32 рази зменшити розмір необхідної оперативної пам’яті (N^2q^2 біт) і більш ніж в q разів прискорити алгоритм. Очікувалося, що бінаризація призведе до погіршення розпізнавальних характеристик. Проте аналіз показав несподівані результати: процедура бінаризації приводить до збільшення об’єму нейромережної пам’яті в 2 рази. Отримані результати узгоджуються з проведеними експериментами.uk_UA
dc.description.abstractPractical applications of q-state Potts models are complicated, as they require very large RAM (32N^2q^2 bits, where N is the number of neurons and q is the number of the states of a neuron). In this work we examine a modified Potts model with binarized synaptic coefficients. The procedure of binarization allows one to make the required RAM 32 times smaller (N^2q^2 bits), and the algorithm more than q times faster. One would expect that the binarization worsens the recognizing properties. However, our analysis shows an unexpected result: the binarization procedure leads to the increase of the storage capacity by a factor of 2. The obtained results are in a good agreement with the results of computer simulations.uk_UA
dc.description.sponsorshipРабота поддержана грантом РФФИ (06-01-00109).uk_UA
dc.identifier.citationМодифицированная q-нарная модель Поттса с бинаризованными синаптическими коэффициентами / Б.В. Крыжановский, В.М. Крыжановский // Штучний інтелект. — 2008. — № 3. — С. 540-547. — Бібліогр.: 13 назв. — рос.uk_UA
dc.identifier.issn1561-5359
dc.identifier.udc681.3
dc.identifier.urihttps://nasplib.isofts.kiev.ua/handle/123456789/7148
dc.language.isoruuk_UA
dc.publisherІнститут проблем штучного інтелекту МОН України та НАН Україниuk_UA
dc.statuspublished earlieruk_UA
dc.subjectНейросетевые и нечеткие системыuk_UA
dc.titleМодифицированная q-нарная модель Поттса с бинаризованными синаптическими коэффициентамиuk_UA
dc.title.alternativeМодифікована q-нарна модель Поттса з бінаризованими синаптичними коефіцієнтамиuk_UA
dc.title.alternativeModified q-state Potts Model with Binarized Synaptic Coefficientsuk_UA
dc.typeArticleuk_UA

Файли

Оригінальний контейнер

Зараз показуємо 1 - 1 з 1
Завантаження...
Ескіз
Назва:
06-Kryzhanovskiy.pdf
Розмір:
354.3 KB
Формат:
Adobe Portable Document Format

Контейнер ліцензії

Зараз показуємо 1 - 1 з 1
Завантаження...
Ескіз
Назва:
license.txt
Розмір:
1.8 KB
Формат:
Item-specific license agreed upon to submission
Опис: